Сколько будет стоить ваш проект у нас? Опишите его в нескольких строках и увидите наш диапазон за две минуты. Получить оценку

Что на самом деле входит в интеграцию ИИ

Интеграция ИИ добавляет функции больших языковых моделей в программное обеспечение, которое уже существует: ваш SaaS, внутренний инструмент, мобильное приложение или клиентский портал. Продукт сохраняет своих пользователей, базу данных и бизнес-логику, а интеграция ИИ добавляет поверх новую возможность: написание черновиков текстов, ответы на вопросы по вашим документам, извлечение полей из файлов или классификацию входящих обращений.

Это не то же самое, что создавать ИИ-продукт с нуля. У интеграции есть ограничения, которых нет в новом проекте: существующая модель данных, существующие права доступа, существующие пользователи, которые сразу заметят, если что-то станет медленнее или менее надежным. Большая часть инженерной работы в интеграции ChatGPT или Claude API приходится именно на эти ограничения, а не на промпт. Сам вызов модели часто занимает десяток строк кода. Все, что вокруг него (доступ к данным, безопасность, оценка качества, контроль затрат, обработка сбоев), и решает, выдержит ли функция встречу с настоящими пользователями.

Какие функции ИИ мы можем добавить в ваш продукт?

Большинство запросов, которые мы видим, сводятся к шести шаблонам. Зная, какой шаблон вам нужен, можно еще до написания кода понять большую часть архитектуры и значительную часть стоимости.

Шаблон функции Пример Типичный подход Риск неточности
Генерация или переписывание текста Черновик коммерческого предложения, новое описание товара Промпты с шаблонами и вашими правилами стиля Низкий или средний
Резюмирование Сводка переписки с поддержкой или длинного договора Промпты, разбиение длинных текстов на части Средний
Извлечение структурированных данных Поля из счетов, резюме или писем Структурированный вывод с проверкой по схеме Средний
Классификация и маршрутизация Теги для тикетов, определение намерения, оценка лидов Промпты или небольшая дообученная модель Низкий или средний
Ответы по вашим данным Вопросы и ответы по документам, политикам, каталогу RAG (генерация с дополнением поиском) Высокий, нужна оценка
Выполнение действий Создать тикет, обновить запись, отправить сообщение Вызов инструментов с правами доступа Высокий, нужны защитные механизмы

Последние две строки обычно перерастают в отдельные проекты. Ответы по корпоративным знаниям описаны на странице разработка RAG, а ассистенты, которые выполняют действия, на странице разработка ИИ-агентов.

Как мы безопасно интегрируем ИИ в существующее приложение

Безопасная интеграция OpenAI или Claude API держит модель за вашим собственным сервером и считает каждый ее ответ недоверенными входными данными. Этот единственный принцип определяет большую часть решений ниже.

Отдельный ИИ-слой в вашем бэкенде. Браузер или мобильное приложение никогда не обращается к OpenAI или Anthropic напрямую. Он вызывает ваш API, который проверяет права пользователя, формирует промпт только из данных, доступных этому пользователю, вызывает модель и проверяет результат. API-ключи, промпты и лимиты запросов остаются на сервере. В приложении на Symfony это обычно сервис с интерфейсом провайдера, в других стеках форма та же.

Абстракция над провайдером. Мы ставим OpenAI, Claude и, при необходимости, открытую модель за единый интерфейс. Замена или сочетание провайдеров становится изменением конфигурации, а простые запросы можно направлять на более дешевую модель, сложные на более сильную. Особенности каждого провайдера мы разбираем на страницах интеграция OpenAI API и интеграция Claude API.

Промпты как версионированные данные. Промпты меняются гораздо чаще, чем код. Если хранить их с историей версий, как мы сделали на платформе AI Grief Companion, команда может настраивать тон и инструкции без релиза и откатываться, когда изменение ухудшает результат.

Потоковая передача и резервные варианты. Длинные ответы приходят пользователю потоком, поэтому интерфейс не зависает. Таймауты, повторные попытки и резервная модель спасают во время сбоев у провайдера, а они случаются.

Промпты, RAG или дообучение?

Начните с промптов, добавьте поиск, когда ответы должны отражать ваши собственные данные, и прибегайте к дообучению только тогда, когда нужен определенный стиль или поведение, которые промпты не удерживают. Большинству бизнес-интеграций дообучение так и не понадобится.

Подход Когда уместен Усилия Успевает за новыми данными
Промпты Генерация, переписывание, классификация по четким правилам Низкие Да, через контекст промпта
RAG Ответы должны браться из ваших документов или записей Средние Да, достаточно переиндексировать новый контент
Дообучение (например, LoRA) Устойчивый голос или формат, узкая повторяющаяся задача, меньшая и более дешевая модель Высокие Нет, нужно повторное обучение

Мы внедряли все три подхода. AI Resume Master использует промпты, чтобы генерировать и улучшать текст резюме. AI Grief Companion сочетает дообучение LoRA открытой модели с памятью на RAG, потому что должен был воспроизводить голос конкретного человека, а одними промптами этого добиться не удавалось.

Защитные механизмы: приватность, галлюцинации и стоимость запроса

Защитные механизмы в интеграции генеративного ИИ это то, о чем заказчики редко спрашивают на старте и что позже волнует их больше всего. Мы закладываем их с первого дня.

  • Приватность данных. Модели передаются только те поля, которые нужны функции. Персональные данные маскируются, где это возможно. Для чувствительных продуктов мы шифруем данные при хранении и сразу при приеме: AI Grief Companion шифрует каждое сообщение отдельным ключом AES-256-GCM в KMS-конверте. Если данные не могут покидать вашу инфраструктуру, можно использовать открытую модель на ваших серверах.
  • Галлюцинации. Фактические ответы опираются на найденные источники и ссылаются на них. Структурированные результаты проверяются по схеме и отклоняются, если ей не соответствуют.
  • Оценка качества. Мы собираем фиксированный тестовый набор реальных входных данных с ожидаемыми результатами и запускаем его при каждом изменении промпта или модели. Без него невозможно сказать, улучшило изменение функцию или ухудшило.
  • Стоимость запроса. Каждый вызов логируется с количеством токенов. Кэширование, более короткие промпты и маршрутизация между моделями держат затраты предсказуемыми, а жесткие лимиты останавливают неконтролируемое использование.
  • Prompt injection. Контент от пользователей или из документов рассматривается как данные, а не как инструкции, а действия, инициированные моделью, сверяются с реальными правами пользователя.

Процесс и сроки интеграции ИИ

Первая функция ИИ в существующем продукте обычно занимает 4-8 недель от старта до продакшена. Сроки больше зависят от доступа к данным и состояния кодовой базы, чем от модели.

  1. Оценка объема (1-2 недели). Мы анализируем код и данные, согласуем один измеримый сценарий, собираем 30-100 реальных примеров для оценки и тестируем на них две-три модели. Вы получаете фиксированную цену и архитектурную записку.
  2. Прототип за feature flag (1-2 недели). Рабочая версия на реальных данных, которую видит только ваша команда, с уже настроенными логированием и учетом затрат.
  3. Доведение до продакшена (1-3 недели). Защитные механизмы, обработка ошибок, права доступа, потоковый интерфейс, оценка в CI, проверки нагрузки и затрат.
  4. Развертывание (1 неделя). Постепенный запуск для части пользователей, мониторинг качества и затрат, корректировка промптов по реальному использованию.

Мы ведем разработку с ИИ-агентами для написания кода под надзором senior-инженеров, и это сокращает этапы разработки. Этап оценки это не сокращает, потому что он зависит от реальных данных и реальных пользователей. Если сначала нужно проверить, работает ли сценарий вообще на ваших данных, начните с PoC для ИИ или с AI Sprint по фиксированной цене.

От чего зависит стоимость интеграции ИИ

Фиксированную цену мы даем после короткого разговора для оценки объема. Основные факторы стоимости: количество отдельных функций, требования к точности ответов (а значит, объем оценки), состояние ваших данных, требования к безопасности и соответствию нормам, а также то, должна ли модель работать на вашей собственной инфраструктуре. Одна функция на промптах дает наименьший объем; RAG-ответы по корпоративным знаниям или ассистент, который выполняет действия, требуют значительно больше оценки и интеграционной работы. Ежемесячные затраты на модель считаются отдельно. В нашем руководстве об интеграции ChatGPT или Claude в продукт эти решения разобраны подробнее.

У нас функции ИИ для существующего продукта стоят от 10 000 USD; наше руководство о стоимости разработки ИИ-приложения показывает, как оцениваются более крупные объемы. Если ИИ в вашем продукте уже работает и нужна независимая проверка качества, затрат и безопасности, начните с ИИ-аудита.

Почему команды выбирают нас для интеграции ИИ

Мы встраиваем функции ИИ в продукты, которыми управляем сами, поэтому отвечаем за последствия своих архитектурных решений.

  • Функции на LLM под реальной нагрузкой. AI Resume Master, наш собственный продукт, создали примерно за три месяца. Он генерирует, переписывает и улучшает резюме и сопроводительные письма с помощью больших языковых моделей и достиг 50 000 активных пользователей в месяц.
  • Глубокие ИИ-стеки, когда нужно. Для американского стартапа в сфере grief-tech мы построили прием десяти форматов экспорта чатов, дообучение LoRA на Qwen2.5-7B, память на RAG, граф фактов в Neo4j и шифрование при приеме.
  • Мышление в логике существующего продукта. Наш основной бэкенд-стек: PHP и Symfony, на фронтенде React, Vue или Angular, то есть именно то, на чем уже работает много продуктов, которым нужна интеграция ИИ.
  • Senior-инженеры с ИИ-инструментами. Мы используем ИИ-агентов для написания кода в собственной разработке и строим MCP-серверы для внутренних инструментов, поэтому знаем, где эти модели надежны, а где нет.

Если вы сравниваете подрядчиков, в нашем чеклисте как выбрать компанию для разработки ИИ собраны вопросы, которые мы задали бы сами себе.

Следующий шаг

Расскажите, какую функцию вы хотите и какие данные ей нужны. За 30-минутный разговор мы скажем, что подходит: промпты, RAG или что-то другое, назовем основные риски и предложим короткий этап оценки объема, который завершится фиксированной ценой. Напишите нам, чтобы договориться о звонке.

Кейсы

Частые вопросы

Это зависит от задачи, а не от бренда. Модели Claude хорошо работают с длинными документами и точно выполняют инструкции, у моделей OpenAI широкая экосистема и сильный вызов инструментов, а открытые модели уместны, когда данные должны оставаться на ваших серверах. Во время оценки проекта мы обычно прогоняем один и тот же тестовый набор на двух-трех моделях и выбираем по измеренному качеству, задержке и стоимости запроса, сохраняя абстракцию над провайдером, чтобы позже его можно было сменить.

OpenAI и Anthropic заявляют, что данные, переданные через бизнес-API, по умолчанию не используются для обучения, но действующие условия и настройки хранения данных стоит проверить для вашего аккаунта и региона. Кроме того, мы удаляем или маскируем персональные данные еще до того, как они попадут в модель (если функция это позволяет), храним промпты и ответы в ваших собственных логах и документируем поток данных для вашего аудита безопасности.

Галлюцинации можно уменьшить, но не устранить полностью, поэтому мы проектируем систему с учетом этого. Ответы, которые должны быть фактическими, опираются на ваши данные через поиск и обязательно ссылаются на источник. Результаты, которые передаются в другие системы, проверяются по схеме. Рискованные действия требуют подтверждения человеком. Фиксированный тестовый набор запускается при каждом изменении промпта или модели, поэтому регрессия обнаруживается до релиза, а не в обращении в поддержку.

Да. Symfony наш основной бэкенд-стек, и функция ИИ обычно становится новым сервисом внутри существующего приложения или небольшим отдельным сервисом, к которому оно обращается по HTTP. Модель вызывается с сервера, никогда из браузера, поэтому ключи, промпты и лимиты запросов остаются под вашим контролем. Устаревший код в основном влияет на то, сколько займет первая интеграция, а не на то, возможна ли она.

Затраты на работу складываются в основном из токенов модели и хостинга векторной базы данных, если она есть. Для типичной B2B-функции это от нескольких десятков до нескольких тысяч долларов в месяц в зависимости от трафика, длины промптов и уровня модели. Во время оценки мы считаем стоимость одного запроса, добавляем кэширование и маршрутизацию между моделями (более дешевая модель для простых запросов) и устанавливаем жесткие месячные лимиты, чтобы скачок нагрузки не обернулся неожиданным счетом.

Да, если у CRM есть API или доступ к базе данных. Модель вызывается из вашего бэкенда, а не из браузера, получает только поля, нужные для конкретной функции, и видит только записи, доступные этому пользователю. Типичные функции: сводка истории клиента, черновики ответов, извлечение данных из писем и классификация обращений. Все, что меняет данные, сначала согласует человек. Первая функция обычно занимает 4-8 недель, минимальный объем проекта 10 000 USD.

Давайте начнем ваш проект
Записаться на звонок